基于術前分期CT的影像組學標簽預測乳腺癌Ki-67增殖指數

黎 嬌 ，吳 磊, ，劉再毅，劉春玲，楊曉君，劉維肖，葉維韜，梁長虹

1.南方醫科大學第二臨床醫學院，廣東 廣州 510515；

2.廣東省人民醫院（廣東省醫學科學院）放射科，廣東 廣州 510080；

3.華南理工大學醫學院，廣東 廣州 510006

乳腺癌是全球女性最常見的惡性腫瘤，位列世界女性腫瘤發病率及女性癌癥相關死亡率的第1位，并且其在世界范圍內的發病率仍呈上升趨勢，到2019年預估有268 600例新增患者和41 760例死亡患者［1］。隨著精準醫療的日益普及，腫瘤生物標志物檢測在指導臨床治療中發揮著越來越重要的作用。美國臨床腫瘤協會（American Society of Clinical Oncology，ASCO）指南提出乳腺癌生物標志物可用于臨床診斷、預測預后，以及監測乳腺癌的復發或進展［2］。其中Ki-67增殖指數（Ki-67標記指數），作為一種細胞增殖標志物［3］，被認為是一項有價值的預后指標。有研究表明，Ki-67在乳腺癌診斷、指導治療方案選擇、預后判斷、預測復發風險，甚至在判斷新輔助化療效果等方面都有重要的價值［4-7］，Ellis等［4］的研究提出，Ki-67增殖指數可作為乳腺癌新輔助芳香化酶抑制劑治療期間和治療后化療決策的工具；Viale等［6］的研究指出，Ki-67增殖指數高與不良預后相關，對于Ki-67增殖指數高的患者，選擇來曲唑進行內分泌治療較他莫昔芬更能獲益。另外Dowsett等［8］的研究數據表明，在乳腺癌短期內分泌治療后測量腫瘤Ki-67增殖指數，通過將基線水平與治療后水平的變化結合分析，可以改善對無復發生存期的預測。這使得早期檢測乳腺癌Ki-67增殖指數對個性化治療至關重要。目前Ki-67增殖指數狀況主要通過活組織標本免疫組織化學檢測獲得，為有創檢查，且因忽略了腫瘤異質性，其準確率常受抽樣誤差的影響［9］。相比之下，影像學檢查一方面能無創地全面分析腫瘤的整體特征，另一方面能進行多次動態評價。影像組學采用高通量和自動化計算方法將醫學影像數據轉化為具有特征空間的定量化數據，并進行精準定量化分析，提取特征用于建立模型，對指導臨床個性化診斷及治療有重大意義［10］。已有學者利用影像組學預測乳腺癌分子標志物的表達，且取得一定成果［11］。

美國國立綜合癌癥網絡（National Comprehensive Cancer Network，NCCN）指南建議將胸部CT增強掃描用于乳腺癌術前分期評估，現已被列入乳腺癌患者術前常規檢查之一，其主要目的是用于輔助臨床分期。相對于X線、超聲及磁共振成像（magnetic resonance imaging，MRI）檢查，CT掃描在乳腺癌的診斷、評估方面并不具備優勢，但隨著影像組學的快速發展，已有研究表明，基于術前分期CT的影像組學標簽可較好地鑒別乳腺癌分子分型［12］。因此基于術前分期CT的影像組學標簽亦有望無創性地預測Ki-67增殖指數，進一步挖掘乳腺癌術前常規CT增強掃描在輔助臨床分期之外的附加價值，可為臨床治療決策提供參考。

本研究旨在不額外增加患者輻射劑量和經濟負擔的前提下，基于影像組學的方法，進一步挖掘乳腺癌術前分期CT圖像所蘊含的信息，探討基于術前分期CT影像組學標簽對乳腺癌患者Ki-67增殖指數無創預測的附加價值。

1 資料和方法

1.1 臨床資料

本研究經廣東省人民醫院（廣東省醫學科學院）倫理委員會批準，并免除知情同意要求。收集2016年5月—2017年12月于廣東省人民醫院（廣東省醫學科學院）病理學檢查證實的浸潤性乳腺癌患者245例，均為女性，年齡25～78歲。納入標準：① 經手術和（或）活檢組織病理學檢查證實的乳腺癌；② 在新輔助化療或術前1個月內進行CT增強掃描檢查；③ 有Ki-67增殖指數結果。排除標準：① 病灶顯示不清或表現為非腫塊樣強化而難以勾畫；② 特殊類型乳腺癌。③沒有進行免疫組織化學檢查或無Ki-67增殖指數結果。將患者按檢查時間順序分為訓練組（145例，2016年5月—2017年5月）和驗證組（100例，2017年6月—2017年12月）。

1.2 Ki-67增殖指數判定標準

Ki-67評分記錄為染色陽性的惡性細胞百分比，根據St.Gallen國際專家共識［13］，Ki-67增殖指數判定標準如下：Ki-67≥14%，則記為陽性；＜14%，則記為陰性。

1.3 儀器與方法

所有患者術前均在廣東省人民醫院（廣東省醫學科學院）行胸部CT增強掃描檢查。C T圖像來自不同的C T掃描儀，包括荷蘭Philips公司的Brilliance iCT 256，美國GE公司的LightSpeed Ultra 8、LightSpeed VCT，德國Siemens公司的Somatom Definition Flash。CT圖像掃描參數如下：管電壓為120 kV；管電流為130 mA；Brilliance iCT 256、LightSpeed Ultra 8和LightSpeed VCT的旋轉時間為0.5 s；SOMATOM Definition Flash的旋轉時間為0.28 s；視場角（field of view，FOV）為350 mm×350 mm；矩陣為512×512；重建厚度為1.0或1.25 mm。CT掃描方案如下：先行常規CT掃描，采集平掃CT圖像；后進行CT增強掃描，靜脈注射按1.5 mL/kg計算的碘造影劑（碘普羅胺注射液，商品名優維顯），注射速度為3.5 mL/s；分別于18、35 s延遲后采集肺動脈期、主動脈期CT圖像。

1.4 圖像處理

1.4.1 感興趣區（region of interest，ROI）的勾畫

采用itk-SNAP（http://www.itksnap.org）軟件，由1名有8年乳腺影像診斷經驗的高年資放射醫師（醫師1）勾畫腫瘤ROI（圖1），選取主動脈期圖像，注意避開腫瘤壞死、鈣化、氣體等部分，勾畫腫瘤全層ROI，構建腫瘤瘤體感興趣體積（volume of interest，VOI）。另外在訓練組隨機抽取30例患者，由另1名有6年乳腺影像診斷經驗的放射科醫師（醫師2）重新勾畫ROI，以評估測量者間的一致性。

1.4.2 影像組學特征提取

圖1 乳腺癌ROI勾畫示意圖

基于美國Mathworks公司的MATLAB2016a軟件進行影像分析，采用最小-最大標準化方法標準化主動脈期CT圖像，將所有像素強度值轉換為1～100的整數強度值，然后提取包括一階統計量特征、形態學特征、紋理特征及小波特征在內的四大類特征，總計6 601個特征。

1.4.3 影像組學特征篩選、標簽構建

首先，應用組間相關系數（interclass correlation coefficient，ICC）評估所提取影像組學特征的觀察者間一致性。認為ICC＞0.75表示一致性良好，可視為重復性高的特征，選擇ICC＞0.75的特征進行下一步分析；接下來，采用基于C-statistics的方法對所選擇的特征進行預測效能的評估，進一步篩選出具有預測價值的特征。其中C-statistics＞0.55的特征被視為有效的預測變量。然后，利用mRMR算法來選擇非冗余和高顯著的特征集合，mRMR算法使用相互信息準則來過濾特征，同時使用10倍交叉驗證確定構建預測模型的關鍵特征的數量，對篩選的影像組學特征進行評分，由高到低排序，選擇前10%的特征。最后，應用Boruta算法，確定最終的關鍵特征，利用logistic回歸構建影像組學標簽。

1.5 統計學處理

采用SPSS 22.0統計分析軟件對數據進行處理。對于患者的臨床病理學資料，符合正態分布的計量資料以均數表示，不符合正態分布的計量資料以中位數（上下四分位數）表示。根據數據類型分別采用獨立樣本t檢驗、χ2檢驗或者Mann-Whitney U檢驗進行分析。

采用R軟件3.5.2版（http://www.r-project.org）中的“caret”、“mRMRe”和“Boruta”軟件包進行分析，篩選基于主動脈期VOI提取的影像組學特征構建模型；使用“pROC”軟件包繪制受試者工作特征（receiver operating characteristic，ROC）曲線，評估基于CT的影像組學標簽預測Ki-67增殖指數的效能，計算曲線下面積（area under curve，AUC）、靈敏度、特異度、準確率、陽性預測值（positive predictive value，PPV）和陰性預測值（negative predictive value，NPV），并將訓練組中鑒別Ki-67增殖指數的閾值用于驗證組，進一步驗證預測模型的性能。為了評估模型預測值分布的偏差，采用“rms”、“rmda”軟件繪制校準曲線；使用決策曲線分析探究患者如何從預測模型中獲益，并通過量化不同閾值概率下的標準凈收益來評估預測模型的臨床實用性和穩健性。P＜0.05為差異有統計學意義。

2 結 果

2.1 臨床病理學資料

訓練組平均年齡為（51.2±10.3）歲，驗證組（50.2±10.2）歲，差異無統計學意義（t=0.698，P=0.486）。根據免疫組織化學結果，Ki-67≥14%，記為陽性；＜14%，則記為陰性。訓練組中Ki-67增殖指數記為陽性為103例，記為陰性為42例；驗證組中Ki-67增殖指數陽性為65例，記為陰性為35例；兩亞組間Ki-67增殖指數差異無統計學意義（χ2=0.740，P=0.390，表1）。

表1 乳腺癌患者的臨床資料及病理學檢查結果分析

2.2 影像組學特征選擇與標簽構建

提取標化后特征共6 601個，選出ICC＞0.75的特征2 374個；經過計算C-statistic后選出138個具有預測價值的特征（0.550＜C-statistic＜0.674）；應用mRMR算法及Boruta算法最終篩選出8個影像組學特征，構建logistic回歸模型（圖2）。

圖2 以Borutas算法篩選影像組學特征

2.3 影像組學標簽的預測效能

本研究建立的影像組學標簽對Ki-67增殖指數具有較好的預測效能。ROC曲線結果顯示，基于術前分期CT影像組學標簽在訓練組中預測Ki-67增殖指數AUC為0.782（95% CI：0.691～0.874），閾值0.63，將該閾值用于驗證組，預測Ki-67增殖指數AUC為0.781（95% CI：0.686～0.876）。見表2、圖3。

在訓練組和驗證組中，Ki-67增殖指數預測概率的影像組學標簽校準曲線顯示，預測結果與實際結果具有良好的一致性（圖4）。

影像組學標簽的決策曲線分析見圖5。結果表明，在訓練組和驗證組中，當閾值概率分別大于0.33和0.03時，使用基于術前分期增強CT的影像組學標簽預測Ki-67增殖指數的凈收益大于將所有患者均分為陽性或陰性。

表2 影像組學標簽模型預測Ki-67增殖指數的診斷性能分析

圖3 影像組學標簽模型預測Ki-67增殖水平的ROC曲線

圖4 影像組學標簽校準曲線

圖5 影像組學標簽的決策曲線

3 討 論

本研究結果表明基于影像組學的方法可進一步挖掘術前分期CT圖像所蘊含的信息，構建的影像組學標簽可在術前無創預測乳腺癌Ki-67增殖指數，同時未額外增加患者的輻射劑量和經濟負擔，具有附加的臨床價值，所構建的預測模型顯示出較好的預測效能，在訓練組和驗證組AUC分別可達0.782、0.781。

乳腺癌作為一種高度異質性腫瘤，在腫瘤細胞起源、組織學形態、遠處轉移潛能、臨床分級分期、療效及預后等方面都有極大的復雜性和異質性［14］。精準醫療強調個體化治療的重要性，不僅依賴于發現可識別的治療靶點，而且依賴于用可靠的、非侵入性的方法來識別這些靶點隨時間推移而發生的動態變化［15］。Ki-67所識別的增殖期細胞核內相關抗原主要參與細胞增殖過程，研究表明其在細胞周期不同階段存在差異，這種差異與腫瘤生長動力學的異質性有關［7，16］，因此Ki-67增殖指數可反映乳腺癌患者的腫瘤增殖情況。乳腺癌不同區域的Ki-67增殖指數范圍為1%～90%，使得評估整個腫瘤對準確獲得Ki-67增殖指數尤為重要［17］。目前臨床上對Ki-67增殖指數的常規測量方法是侵入性的，即通過對活檢或者手術后的取材標本行免疫組織化學檢查，活檢一方面有創，同時也難以全面地反應腫瘤內部的異質性，且Ki-67增殖指數在乳腺癌患者的病程中是動態變化的［18］，這使得活檢測量的方法無法便捷、有效地獲取其值。影像學方法無創、簡便，已成為乳腺癌的重要檢查手段，且近年來，隨著在圖像處理（分類、檢測及分割等）方面取得顯著成功，影像組學已經成為醫學影像領域的一個研究熱點，目前已有研究表明乳腺癌MRI、PET/CT、乳腺X線攝影影像特征與Ki-67增殖指數有一定相關性，例如Liang等［19］應用影像組學方法，建立了基于乳腺癌T2WI圖像的放射學分類器，可在術前對乳腺癌Ki-67增殖指數較好地進行分類，其AUC在訓練組和驗證組分別為0.762和0.740，本研究所建立的影像組學標簽亦展示出良好的分類能力，在驗證組中AUC可達0.781；Mori等［20］的研究表明基于平均表觀擴散系數（apparent diffusion coefficient，ADC）的影像組學特征對Ki-67增殖指數具有高度預測性（AUC為0.810），但是納入樣本量較?。?6例）且未進行驗證；在唐明燈等［21］的研究中發現18F-FDG攝取與腫瘤細胞增殖呈中度正相關。這些研究成果均表明通過影像學特征鑒定乳腺癌Ki-67增殖指數具有巨大的潛在臨床價值。在本研究中，我們分析了直接從術前分期CT圖像中提取的影像特征，并構建了一個影像組學標簽，驗證組的AUC為0.781，在預測Ki-67增殖指數方面表現良好。

在以往的大多數研究中，Ki-67增殖指數的預測是基于MRI圖像。而本研究以乳腺癌術前分期CT圖像為研究重點，術前分期CT成像在乳腺癌的管理中起著重要的作用，不僅可評估病變的范圍，還可評估皮膚、胸壁、區域淋巴結（腋窩、內乳、鎖骨上淋巴結等）、遠處器官及骨轉移情況，為進一步治療提供系統的臨床分期依據。此外，CT掃描較MRI掃描耗時短，費用也較低，即使是在基層醫院亦可得到普及。乳腺癌術前分期CT所蘊含的影像信息有望為早期預測乳腺癌Ki-67增殖指數提供有效的補充信息。本研究構建的基于增強CT影像組學分類器在預測乳腺癌Ki-67增殖指數方面有較滿意的效能，在訓練組和驗證組AUC分別達0.782、0.781。這表明基于增強CT影像組學的方法術前預測浸潤性乳腺癌的Ki-67增殖指數同樣具有較高的可行性，可提供有效的補充信息，有利于在治療前輔助臨床決策，從而有助于乳腺癌患者的個體化治療。

本研究的創新點在于探索性地挖掘乳腺癌蘊含在術前分期CT中的影像組學特征，構建預測模型術前預測乳腺癌Ki-67增殖指數，同時并不會增加患者的輻射劑量及經濟負擔，因此可為常規檢查帶來額外的臨床價值。當然本研究也有一些不足之處，首先本研究為單中心研究，沒有外部驗證進行支持，多中心研究已經納入了下一步的研究計劃；另外，本研究僅基于主動脈期的CT圖像進行分析，主要原因在于主動脈期病灶的顯示最為清晰，有利于ROI的勾畫，從而避開其他組織對結果的影響，今后希望進一步探討結合動態多期圖像是否能提高對Ki-67增殖指數的預測效能。

總之，本研究提出基于分期CT的影像組學標簽在術前預測乳腺癌Ki-67增殖指數方面具有良好的預測效能。